本文提出 Class-distribution-Aware Pseudo Labeling (CAP) 方法，通过设计基于类感知阈值的规则学习框架来控制每个类别的伪标签的数量，并约束伪标签的类别分布接近真实分布，旨在解决半监督多标签学习问题。实验结果证明了 CAP 方法可以有效解决半监督多标签学习问题并提高泛化能力。

May, 2023

本文重新审视了伪标记的概念，提出了一种基于半监督学习的方法，通过将伪标记应用于无标签集中的样本，并利用已训练好的模型标记这些样本，然后迭代重复此过程来训练模型。本文通过实验证明，伪标记方法可以取得与现有最先进方法相媲美甚至更好的结果，并且更能抵御未知分布样本。作者指出采用学习课程原理以及在每个自我训练周期前重启模型参数是实现这一点的两个关键因素。在 CIFAR-10 数据集上，本文仅使用了 4,000 个标记样本，达到了 94.91% 的准确率，在 Imagenet-ILSVRC 数据集上，本文仅使用了 10％的标记样本，达到了 68.87％的 top-1 的准确率。

Jan, 2020

本文提出了一种新的方法，采用自我训练的方式来处理部分标签数据，其中采用了基于最大无穷范数的伪标签技术来自动实现基准标签的分类，并通过使用简单的二次规划方法进行拟合优化。通过在自制和真实世界数据集上的测试，证明了所提出的方法比现有的部分标签学习方法更加有效。

Feb, 2019

本文提出了一种基于标签增强的偏标签学习方法，该方法针对实例相关性的标签进行了建模，并将标签分布作为标签增强过程的核心信息，以较高的精度训练了预测模型。

Oct, 2021

我们提出了基于强化学习的 RLAC 框架，通过结合强化学习的探索能力和监督学习的开发能力，解决了多标签正负样本学习问题，并在多个任务中进行实验证明了我们框架的泛化和有效性。

Jun, 2024

本文提出一种新颖的部分标签学习框架，通过提出一种新的分类风险估计器、分析分类器一致性和建立估计误差界限来解决现有方法面对大规模数据计算复杂度瓶颈的问题，并通过实验验证其成为业界新的标杆。

Feb, 2020

这篇论文介绍了一种新颖的概率方法，名为 Partial Multi-label Learning（部分多标签学习），在这种方法中，每个训练实例对应一组候选标签，其中只有一部分是正确的；与现有方法相比，它不需要次优的消岐，因此可以应用于任何深度架构；在人工和真实数据集上进行的实验证明，Partial Multi-label Learning 在候选集中噪声高的情况下表现出色，优于现有方法。

Mar, 2024

本文介绍了在部分标签学习中引入了一种新的合作分类器和 "相互监督" 范式，以帮助现有的部分标签学习方法识别和纠正错误标记的样本，并通过模糊机制来防止对特定标签的过度自信，从而显著提高了多种经典和基于深度学习的部分标签学习方法的性能和消歧能力。

Dec, 2023

多标签学习中的不完整多标签学习是一个突出的研究议题，本文回顾了不完整多标签学习的起源，分析了其面临的挑战，并从数据和算法的角度对不完整多标签学习进行了分类。此外，文中还提及了不完整多标签学习在不同领域的应用，并突出了几个潜在的未来趋势和未被探索的技术，为不完整多标签学习领域的新研究方向提供了新的启示。

Jun, 2024

本文研究了多标签学习的不完整标签分配问题，提出了一种名为 MPU 的方法，该方法基于正数和未标记随机梯度下降和堆叠模型，可以同时有效且高效地考虑丢失的标签和标签之间的关联性，从而更好地解决了大规模多标签学习问题。

Jul, 2014